彩色图像滤噪在数学上可归纳为两种模型：一种是分别在彩色图像各个通道上进行滤噪，称为逐通道模型，例如小波彩色图像滤噪方法等；另一种是将各个通道数据作为一个矢量整体进行滤噪，称为矢量模型，例如矢量中值滤波、矢量方向滤波、数字自适应滤波、双边滤波等。第一种模型割裂了彩色图像各个通道的联系，势必会对图像本身信息结构造成影响。最常见问题就是滤噪过程独立改变各个通道的像素值，会造成滤噪后图像产生伪彩色。

双边滤波作为一种可以整体处理彩色图像的滤波器，首先由C.Tomasi提出，之后又产生了一些变型，例如Sigma滤波、邻域滤波、SUSAN滤波。彩色图像双边滤噪的特点是既可以达到滤波的效果，又可以保护图像中的高频细节，但其仍然存在以下问题：

1）双边滤波过程仍然是像素在空间上加权平均的过程，滤噪图像在信噪比增强的同时，边缘仍然不可避免地产生一定的模糊；

2）双边滤波由于保护高频信息，对于图像中的高频噪声，不容易干净地滤掉。

本节所阐述的基于边缘检测和双边滤波的彩色图像滤噪方法，主要针对彩色图像双边滤波滤噪方法的上述不足，重点解决了以下几个问题：

1）边缘定位的准确性，很多边缘检测算法对边缘的定位不准确，无法通过得到的边缘图确定边缘及噪声的准确位置；

2）边缘图中包含噪声引起的伪边缘，而图像增强仅需要增强人眼敏感的边缘区域，对其他区域做增强会造成图像失真。所以边缘图需要通过边缘滤波去除噪声引起的伪边缘后才能用于图像增强；

3）由传感器或电路引起的噪声产生于RGB彩色空间。直接在RGB彩色空间进行边缘检测，可以避免彩色空间转换带来的噪声放大和噪声类型复杂化。但是在RGB彩色空间进行图像滤噪会产生伪色彩；

4）如果图像增强在彩色图像三个通道上分别独立进行，在边缘附近将产生颜色的混乱。

基于边缘检测和双边滤波的彩色图像滤噪方法的滤噪流程包括边缘检测、边缘滤波、改进的双边滤波和彩色图像增强，这种方法的主要工作如下：(www.daowen.com)

1）为了更好地对彩色图像边缘准确定位，提出了一种适合彩色图像滤噪的彩色图像边缘检测算法。继承了CNN灰度边缘检测算法定位准确的优点，填补了CNN现有算法不能直接处理彩色图像的空白；

2）提出了一种针对图像增强的边缘滤波算法。通过两级边缘检测满足滤噪不同阶段对边缘检测的不同要求；

3）通过改进双边滤波，减少滤噪过程带来的边缘模糊；

4）使用不同的彩色空间，在RGB彩色空间进行边缘检测以定位边缘及噪声，在CIELAB彩色空间滤噪以保持颜色的一致性，仅对亮度分量（L^*）进行增强以避免颜色的混乱与失真。

方法的整个流程如图4.17所示。

边缘检测结果记为map A，map A包含图像中的各种边缘也包含由噪声引起的伪边缘，map A用于图像滤噪。map A经过边缘滤波后得到map B，边缘滤波的目的是去除由噪声引起的伪边缘，使map B可以用来增强图像而不会带来彩色图像失真。

图4.17 彩色图像滤噪流程

在得到边缘图map A后，通过边缘信息对双边滤波作出改进，在提高滤噪效果的同时减少了滤波对图像清晰度的影响。为了不在双边滤波过程中带来颜色混乱和图像失真，双边滤波在CIELAB彩色空间内进行。最后对彩色图像做基于map B边缘的增强，增强在CIELAB彩色空间内进行，仅增强边缘区域对应位置的亮度分量。